L'idée était séduisante : après la simulation, un modèle de langage relit tout le dossier et livre la lecture d'un praticien chevronné. Nous l'avons construite, puis mise en concurrence avec notre calcul, en aveugle, sur huit décisions. Elle n'a rien apporté que le calcul n'avait déjà trouvé. Nous avons supprimé le code.
En 1954, le psychologue Paul Meehl compare les pronostics cliniques d'experts humains à ceux de formules statistiques simples. Les formules gagnent. Le résultat est si contre-intuitif qu'il sera rejoué pendant cinquante ans. En 2000, Grove et ses collègues agrègent 136 études : la conclusion tient. Robyn Dawes montre au passage qu'un modèle linéaire aux poids grossiers suffit à battre l'intuition experte.
La raison n'est pas que l'expert est ignorant. C'est qu'il est inconstant. Le même dossier, relu deux fois, ne lui inspire pas la même chose. Une règle, elle, ne varie jamais. Kahneman a donné un nom à ce coût invisible : le bruit.
Un modèle de langage est un expert au sens de Meehl : brillant, cultivé, et inconstant. Deux lectures du même dossier ne donnent pas la même réponse.
Dans Kapari, la répartition des réactions, la dispersion, les camps qui se forment, le point de rupture, le verdict d'accueil : tout cela sort d'un calcul déterministe. Aucun modèle de langage n'intervient dans ce chemin.
Le modèle de langage a un rôle précis et unique : donner une voix à chaque profil du panel. Il écrit ce que dirait un chef d'atelier de 52 ans face à cette annonce. Il n'additionne rien, il ne conclut rien, il ne note rien.
La même règle s'applique aux signaux : la présence d'une famille qui rompt les rangs, celle d'un ressort que personne ne porte, la convergence de camps opposés sur un même grief. Ce sont des calculs sur les données du passage, avec des libellés fixes. Un modèle qui écrirait ces phrases pourrait en inventer une qui sonne juste et qui soit fausse.
Nous voulions savoir si un expert artificiel apportait quelque chose. Protocole : sur huit décisions, deux blocs de lecture, celui produit par nos calculs et celui produit par l'expert. Un jury automatique, aveugle à l'origine de chaque bloc, devait dire lequel apportait une matière que l'autre n'avait pas. Le seuil d'adoption avait été fixé d'avance, à cinq cas sur huit.
L'expert n'a apporté aucune matière rare que le calcul n'avait pas déjà rendue. Sur six cas, les deux blocs se valaient, chacun avec son angle.
L'expert a glissé vers le pronostic trois fois, malgré les filets posés pour l'en empêcher. La prédiction passe par le temps des verbes, et déborde toute liste de mots interdits.
Verdict : le code a été retiré. Il vit dans l'historique du dépôt, avec les archives du jury. C'est la doctrine qui gouverne depuis toute nouvelle idée de lecture intelligente : d'abord un calcul sur les données du passage, le modèle au plus pour habiller, jamais pour trouver.
Le même dossier rend le même verdict. Vous pouvez rouvrir un passage trois mois plus tard devant votre conseil : il dira la même chose. Un outil dont le résultat dépend de l'humeur d'un modèle vous laisse sans réponse le jour où quelqu'un le relance et obtient autre chose.
Personne ne peut vous opposer l'hallucination. C'est la première objection qu'on adresse à un résultat produit par une IA, et elle est souvent fondée. Ici, le chemin qui mène au verdict est arithmétique et se remonte ligne à ligne.
Et vous pouvez le vérifier. Nous passons un examen public sur 43 décisions du passé, contre 185 critiques réellement exprimées, corrigé objection par objection. La bonne copie et la mauvaise sont affichées côte à côte.
Meehl, P. E. (1954), Clinical versus Statistical Prediction. Grove, W. M. et coll. (2000), « Clinical versus mechanical prediction: a meta-analysis », Psychological Assessment. Dawes, R. M. (1979), « The robust beauty of improper linear models in decision making », American Psychologist. Kahneman, D., Sibony, O. et Sunstein, C. (2021), Noise.
D'autres travaux sont implémentés ailleurs dans le moteur : le pré-mortem de Gary Klein, déclenché automatiquement quand l'adhésion est trop large ; les conditions de validité de l'expertise de Kahneman et Klein (2009), qui font afficher un avertissement quand la décision est sans précédent ; le protocole d'évaluation médiée de Kahneman, Lovallo et Sibony (2019), qui juge une décision sur son processus.
Kapari compose un panel de voix simulées et en explore les réactions pour vous aider à préparer une annonce. Ce n'est ni un sondage, ni une mesure de l'opinion, ni une prédiction : aucune personne réelle n'est interrogée, et rien ne peut garantir la réaction de vos équipes. Vos salariés et vos clients gardent le dernier mot ; Kapari sert à arriver mieux préparé au moment où vous le leur donnez.
Essayez la démo sur une décision d'entreprise, sans créer de compte : 60 secondes suffisent pour voir si ça vous parle.
Kapari mesure son audience avec Google Analytics, pour savoir combien de personnes lisent ces pages. Rien n'est déposé sur votre appareil tant que vous n'avez pas accepté.